在以数据驱动的零售行业中，大模型正在优化数据分析方式，成为零售企业保持竞争力的关键力量。

7月10日，上海数据交易所举办了DSM系列零售行业数据专题供需对接会。会议邀请了来自零售、人工智能等行业领域的头部企业分享数据产品开发利用、数据产品应用、数据资产管理等实践经验。

作为国内领先的企业级AI Agent平台公司，澜码科技创始人兼CEO周健受邀参加，并以《AI Agent：以AI速度学习进化的企业“新员工”》为题发表演讲。

周健认为，在AI Agent落地业务场景的实践中，大语言模型是底座，专家知识是天花板。

外界常将大语言模型看做生成式AI，但周健认为大模型应该用作「合成」而非「生成」。“我们应该关注大模型被调用的能力，将其视作数据库、OCR等API工具进行调用，用传统的编程和软件开发方法控制数字员工的工作流程，由此来保证准确率。”周健表示。

以简历生成为例，大模型的简历生成质量无法类比百万年薪的猎头顾问，因为后者拥有多年的工作经验与行业认知，并且可以进行定制化服务。想让大语言模型发挥高质量的业务价值，就需要专家知识与Agent能力相结合。

专家知识赋能AI Agent能力升级

周健表示，发挥专家知识能力有两种实现方式：一种是用专家知识赋能企业员工，提升初、中级员工的业务水平；另一种是用专家知识管理流程，优化企业内部的生产关系。

专家知识分为显性知识和意会知识。显性知识可以用自然语言进行表达和理解，如企业SOP、业务规则等；意会知识是不能通过语言、文字或符号进行逻辑说明，隐含在个人头脑中的知识。

当我们需要了解985、211高校范围等规则性、事实性知识时，外挂知识库就远比大模型预训练更为划算。

对于存在于业务专家大脑中的意会知识，澜码科技会让业务专家首先进行自然语言描述，再借助具有观察、学习、自适应和自动化等能力的 AI Agent 进行处理，并将输出结果与外界进行交互。借助专家对交互结果进行标注和反馈，实现AI Agent能力的升级与持续迭代。

以健康险推荐为例，业务专家首先整理出高血压、心脏病等医学知识及对应的保险推荐方案，这些知识会作为原始数据输入至系统中，进行持续的迭代与优化。当消费者上传一份新的体检报告时，系统可以分析并输出该报告结果，并提供相应的保险产品推荐，由此实现对保险方案的定制化推荐，极大提升了保险销售人员的转化率。

除此之外，周健还特别强调了记忆库作为AI Agent基础设施的重要性。

Agent的记忆库负责存储和管理AI Agent在执行任务和与环境交互过程中产生的信息和数据，以支持AI Agent的决策和行为。

周健在分享中谈到，AI Agent的记忆储存类型可以被划分为：语义记忆、程序记忆和情景记忆。其中，语义记忆是可用自然语言描述的记忆；程序记忆是企业内部的业务流程与SOP；情景记忆是过去业务情景的复现。

“ToB场景下，记忆库能帮助AI Agent制定计划，并根据计划目标合理识别、调用API工具，从而让Agent更好地处理复杂任务和场景，提供更加智能和个性化的服务。”周健表示。